“計算存儲一(yī)體化”一(yī)詞在近兩三年(nián)被頻頻提起，“計算存儲一(yī)體化突破AI算力瓶頸”更成為(wèi)了今年(nián)阿裏達摩院發布的(de)“2020十大科技趨勢”之一(yī)。計算、存儲作為(wèi)計算機的(de)兩項功能，到底為(wèi)何近段時間被捆綁亮(liàng)相并常常引發熱議？

· 其實，人工智能面臨計算與存儲瓶頸。

正如(rú)趨勢中提及的(de)，“AI”的(de)快速發展是促使這一(yī)熱議話題形成的(de)導火索，但這背後的(de)根因，還要追溯到20世紀提出的(de)馮·諾伊曼計算機架構……

基于經典的(de)馮·諾伊曼計算機架構，計算與存儲是兩個完全區分的(de)單元，分别由中央處理(lǐ)器(CPU)和(hé)存儲器完成。因此在運算時，數據從存儲單元讀取到計算單元，運算後，再将結果寫回存儲單元。但是，“當運算能力達到一(yī)定程度，由于訪問存儲器的(de)速度無法跟上運算部件消耗數據的(de)速度，即使再增加運算部件也無法充分利用，從而形成所謂的(de)馮·諾伊曼‘瓶頸’，或‘內(nèi)存牆’問題。”

而仿照人腦的(de)仿生系統被認為(wèi)是最有可(kě)能颠覆現有技術的(de)終極發展方向。因為(wèi)人的(de)大腦，正是一(yī)個典型的(de)存儲計算系統，網上有消息稱，“最先進的(de)自(zì)然語言處理(lǐ)模型XLNet有約4億模型參數，每次訓練需要數百個深度學(xué)習加速器運算三天。而據估算人腦中細胞間互聯軸突個數更是高(gāo)達百萬億到千萬億數量級。”可(kě)見，人工智能和(hé)人腦之間還是有着巨大的(de)差距。

 而如(rú)今正處在大數據驅動的(de)人工智能時代，AI運算中數據搬運更加頻繁，“內(nèi)存牆”這一(yī)矛盾更加凸顯。AI要真正做(zuò)到像人類一(yī)樣聰明，需要先突破算力瓶頸。

· “近存儲計算”、“計算存儲一(yī)體化”……瓶頸正在被逐步突破。

為(wèi)此，研究者投入了大量的(de)精力來縮減差距，提升計算和(hé)存儲能力，“近存儲計算”、“計算存儲一(yī)體化”的(de)提出，正是每個階段研究不斷突破的(de)見證。

近存儲計算，簡單來講，就是将數據靠近計算單元，從而減少數據移動的(de)延遲和(hé)功耗，多級存儲架構和(hé)高(gāo)密度片上存儲是其主要實現方式。而在趨勢預測中，未來将參照腦神經結構的(de)“計算存儲一(yī)體化”，是把數據存儲單元和(hé)計算單元融合為(wèi)一(yī)體，也就是将計算移到存儲中，計算單元和(hé)存儲單元集成在同一(yī)個芯片，數據不需要單獨的(de)運算部件來完成計算，在存儲單元內(nèi)即可(kě)完成運算，讓存儲單元具有計算能力。這樣一(yī)來，可(kě)以顯著減少其間的(de)數據搬運，提高(gāo)計算效率，助力突破AI算力瓶頸，成為(wèi)下一(yī)代AI系統的(de)“入場券”。

目前，已經有很多廠商和(hé)研究機構開始進入計算存儲一(yī)體化領域，紛紛推出實驗型架構。從目前的(de)實現方式看，計算存儲一(yī)體化分成了兩個路線：基于成熟的(de)易失性存儲和(hé)不成熟的(de)非易失性存儲。

前者需要融合處理(lǐ)器和(hé)存儲器，但現階段處理(lǐ)器與存儲器的(de)制造工藝不同，如(rú)果要在處理(lǐ)器上實現存儲器的(de)功能，可(kě)能會降低(dī)存儲器的(de)存儲密度；反之，在存儲器上實現處理(lǐ)器的(de)功能，則可(kě)能會影響處理(lǐ)器的(de)運行速度，這個矛盾暫時無法得到很好的(de)解決。後者基于不成熟的(de)非易失性存儲，有專家認為(wèi)其具備對存儲和(hé)計算的(de)天然融合特定，是構建計算存儲一(yī)體化的(de)最佳器件，但是目前工藝均未成熟。

總體來看，提升存儲和(hé)計算能力，一(yī)直是重要的(de)建設方向。未來，計算存儲趨于“合”之大勢，不過真正實現、甚至廣泛商用，仍需一(yī)段時日。且拭目以待！